亞馬遜FBA頭程所積累的大數(shù)據(jù)究竟是指什么，以及其中所蘊含的巨大力量。亞馬遜物流通過旗下的購物網(wǎng)站積累了海量的購物數(shù)據(jù)。此外，亞馬遜還通過視頻業(yè)務(wù)積累了大量的視頻播放數(shù)據(jù)，通過語音識別終端AmazonEcho積累了海量的語音數(shù)據(jù)，通過AmazonEcho的衍生產(chǎn)品EchoLook開始積累圖像數(shù)據(jù)。我認為，亞馬遜FBA頭程正式進軍實體領(lǐng)域的真實目的是為了收集線下的購物數(shù)據(jù)，并進一步掌握顧客的位置信息等數(shù)據(jù)。

電商網(wǎng)站和實體店的購物數(shù)據(jù)、語音數(shù)據(jù)、圖像數(shù)據(jù)、視頻播放數(shù)據(jù)以及每一位顧客的位置信息所構(gòu)成的大數(shù)據(jù)在推薦商品或預(yù)測顧客個體行為方面具有非常重要的價值。那么，亞馬遜打算如何分析并利用自己掌握的大數(shù)據(jù)呢?在回答這個問題之前，我們先來了解一下什么是大數(shù)據(jù)。從字面意義上看，大數(shù)據(jù)當然是指大量的數(shù)據(jù)。除此之外，數(shù)據(jù)的準確性、鮮度和覆蓋范圍也是非常重要的。例如，如果我們需要分析某個人的“0.1人細分單位”，就要獲得這個人的實時數(shù)據(jù)，巾就是要獲得鮮度很高的數(shù)據(jù)。另外，我們還可以根據(jù)數(shù)據(jù)的屬性對大數(shù)據(jù)進行分類?？v軸表示收集方式，即大數(shù)據(jù)是從宏觀角度(群體）收集的，還是從微觀角度個人)收集的；橫軸表示時間，即這些數(shù)據(jù)是實時獲取的數(shù)據(jù)，還是在某個時間點上匯總并進行批量處理的數(shù)據(jù)。

處于“宏觀”區(qū)域內(nèi)的是用于統(tǒng)計分析的數(shù)據(jù)。這些數(shù)據(jù)被橫軸分為兩類，一類是實時處理的，另一類是批量匯總后再處理的，對應(yīng)于兩種不同的處理方式。處于“微觀”區(qū)域內(nèi)的數(shù)據(jù)則是基于個人的特定數(shù)據(jù)。《亞馬遜FBA頭程經(jīng)濟學》一書提到，批量的個人特定信息可用于一對一營銷，實時的個人特定信息同樣能夠轉(zhuǎn)化并用于“0.1人細分單位”營銷。需要注意的是，無論是亞馬遜還是蘋果、谷歌，它們在現(xiàn)階段都沒有把重點放在利用大數(shù)據(jù)分析個人特定信息上面。

它們收集這些信息的目的只是為了更加精準、細致地把握每一位用戶的需求，從而最大化地提升銷售額。FBA頭程大數(shù)據(jù)的使用方式也可以分為宏觀和微觀兩種。前者分析由數(shù)百萬人乃至數(shù)千萬人構(gòu)成的群體，并總結(jié)出一定的模式與規(guī)律；后者記錄某一位用戶的行為歷史，并總結(jié)出此人今后的行為模式。兩者的共同之處在于，它們都會對海量數(shù)據(jù)進行收集和分析，并從中發(fā)現(xiàn)特定的模式。運用大數(shù)據(jù)的最終目的是靈活運用每一位用戶的細分單位信息，預(yù)測未來發(fā)生某件事的概率，以此為決策提供參考。

FBA頭程在大數(shù)據(jù)時代到來之前，獲得如此海量的數(shù)據(jù)本身就十分困難。即便能夠獲得數(shù)千人的數(shù)據(jù)，也只能從中抽樣，提出假設(shè)并驗證，然后以此為依據(jù)推測整個群體的情況。在大數(shù)據(jù)時代，直接對整個群體進行統(tǒng)計和分析已經(jīng)成為現(xiàn)實。至少，我們不再需要從理論上提出假設(shè)并驗證了。